ModAR：模态自回归的世界-动作模型

研究者提出 ModAR，首个在预测动作前对多种未来模态进行自回归去噪的世界-动作模型（WAM），使每次预测都能以先前生成的模态为条件。实验显示，预测点轨迹、DINO 特征和深度图对 WAM 有益，而额外预测未来 RGB 并未带来一致收益。ModAR 在各数据规模下平均成功率最高，在三个真实双臂任务上超越基线，并以约 20 倍更少的训练 FLOPs、无需预训练取得 75% 对 72% 的平均成功率。